三层架构：从记忆到进化
整套系统的核心是三层机制的配合，每一层解决一个不同的问题。
持续学习层：让 AI 记住你是谁
第一层是一个叫 creator-config 的 skill，本质上是一个记忆中心。它会在多个节点自动更新对用户的认知：
- 初始化时自动采集用户基本信息
- 每次使用完其他 skill 后，自动分析用户的偏好变化
- 持续记录内容类型偏好、关键词兴趣等维度
用户也可以主动更新自己的偏好配置，比如推荐方向、内容风格等。这一层的作用是给 AI 提供持续更新的上下文，而不是每次都靠用户重新描述自己的需求。
闭环评估层：系统的核心引擎
第二层叫 evolution skill，是整套系统最关键的部分。它实现了一个完整的反馈闭环：
推荐 → 采用 → 发布 → 表现 → 评估 → 优化 → 再推荐
这个闭环里预设了几个关键机制。
效果评分算法——系统根据发布后的实际数据，给之前的每次推荐打分：
| 等级 | 条件 | 得分 |
|---|---|---|
| 爆款 | 点击率 ≥ 10% 且涨粉 ≥ 100 | 10分 |
| 优质 | 点击率 ≥ 6% 或涨粉 ≥ 50 | 5分 |
| 达标 | 点击率 ≥ 3% | 2分 |
这些分值会反馈给 AI，用于强化后续的推荐策略。
A/B 测试机制——采用 80% 稳定策略 + 20% 探索策略的分配方式。大部分推荐走已验证的路线，同时保留一部分空间给实验性内容。这个设计很实用，避免了 AI 推荐陷入"只推安全牌"的死循环。
异常监控——系统会自动检测四类问题：
- 准确率低：推荐的内容用户不想用
- 有效率低：用户采纳了但效果差
- 关键词失效：某个话题连续 3 次未入选
- 类型偏差：某种内容形式持续表现不佳
发现异常后，系统会主动提出优化建议，比如："'AI工具'相关内容表现很好，建议提升权重，预期效果 +15%。是否应用？"用户可以选择全部应用、部分应用或跳过。决策权始终在人手上，AI 只负责分析和建议。
知识积累层：把经验变成资产
评估层每次分析完成后，会把发现的规律写入知识库。这一层沉淀的是真正属于你自己的内容方法论：
- 关键词规律：哪些词爆款率高，最佳搭配角度是什么
- 标题规律：带数字的、问句式的、避坑式的标题，各自表现如何
- 时间规律：什么时段发布效果最好
- 组合规律：什么话题搭配什么形式最容易出爆款
这些规律在下一次推荐时会被自动读取和应用，形成真正的经验复利——用得越久，知识库越厚，推荐越准。
底层实现逻辑
整套系统的实现并不神秘：多个 skill 之间通过共享文档和数据文件进行读写，各司其职又互相协作，最终实现自我进化的效果。这套设计本质上是一个垂直领域的 Agent 架构，里面的算法和流程都可以根据具体行业进行调整。
如果你想让自己的 AI 工具也具备"越用越懂你"的能力，不需要搭建这么完整的系统。最小可行的方案其实只需要一个反馈闭环：记录"推荐了什么 → 用户选了什么 → 效果怎么样"，然后让 AI 在下次推荐前读取这些记录。仅这一步，就已经能把 AI 从一个无状态工具变成一个有记忆的协作者。